近日，校（院）同德国埃尔朗根-纽伦堡大学、德国慕尼黑工业大学、美国佐治亚大学、加拿大魁北克大学、加拿大魁北克自然技术研究基金会、加拿大蒙特利尔大学数字健康联盟、巴西圣保罗大学、奥地利萨尔茨堡联邦医院、奥地利哈根伯根软件能力中心合作，共同完成的“友好省州”国际医疗合作研究联邦学习与分析白皮书(英文版/法文版)正式上线，校(院)医学人工智能与大数据学院院长于长斌教授为参与白皮书撰写发布的中国学者唯一代表。
数据是充分发挥AI算法优势的“石油”，然而低质量的数据在一定程度上会对算法产生限制。尽管近些年来医学数据库已显著积累扩增，但受限于隐私、伦理、政策限制、数据标准化、数据质量、可获取性等诸多历来已久的问题，医学数据共享仍然面临重重困难，AI在医疗保健领域的发展仍然任重道远。
为了突破当前限制，释放AI算法的优越性，在国际友好省州领导人峰会（Regional Leaders Summit, RLS）科学网络(RLS-Sciences Network)下成立的RLS数字健康合作组专家通过合作讨论和研究达成一项共识，认为联邦学习及分析方法（Federated Learning，FL；Federated Analysis，FA）是绕过医学数据共享难题的有效途径。FL/FA是一种保护隐私的分布式机器学习模型，通过多个用户设备共同训练一个全局模型。在FL/FA中，数据被保存在收集或生成数据的原始站点或设备上，在本地进行机器学习训练，站点在中央服务器协调下，联合处理数据训练模型。服务器从各站点接收模型参数、梯度、权重等信息并加以聚合分析，从而实现在更大数据库上训练性能增强的模型，并将模型或统计数据与站点共享。由此，FL/FA可避免原始数据的交互，实现数据隐私保护。
尽管FL/FA在医学AI中具有诸多优势，然而仍存在不同站点间数据异质性、数据偏差、安全性、可控性、病毒、交互及计算、法规伦理等方面的不足。在本白皮书中，RLS数字健康小组对FL/FA的概念、优势、必要性进行了介绍，并针对FL/FA中的现有问题及处理思路重点展开讨论，对RLS成员国家地区内建设的FL/FA平台进行了详细介绍。最后，小组为保障FL/FA的成功实施，在基本原则和价值观、跨国家地区间的法规制定、数据标准和可操作性、隐私保护安全框架及流程、标准化应用程序接口、患者可控性等方面提出了建议。该白皮书的制定将为FL/FA在医疗保健AI的发展指明方向，并为各国及地区的医疗AI相关法律法规制定提供依据，最终将极大促进智慧医疗的进步。
RLS是一个由山东省发起并参与的国际合作机制峰会，由山东省、德国巴伐利亚州、奥地利上奥州、加拿大魁北克省、南非西开普省、美国佐治亚州、巴西圣保罗州等来自于5个大洲的7个成员组成。首次会议开始于2002年，每两年举办一次，至今已成功举办10次。峰会期间召开的RLS科学网络会议及论坛活动为成员国及地区的合作机制和发展提供科学依据。2023年峰会由山东省主办，在校（院）与省外办、省科技厅共同举办的2023友好省州领导人峰会科学网络活动数字健康国际论坛（超链接）活动中，友好省州科学网络数字健康（山东）首席科学家、百度开云体育app医学人工智能与大数据学院院长于长斌教授发布了“友好省州科学网络数字健康白皮书”。
供稿：医学人工智能与大数据学院
